カンタン操作で極上の売り場、うれしい販促。月額6万円台からのID-POS分析クラウド
ID-POS Analysis: A New Planogram Theory Originating from "Optimal Facing"
— The Cognitive Lid of "3±2" and the Folding of Inventory into Depth —
目次（Contents）
Introduction: Why "Sales-Proportional" Allocation Is Not Adopted in the Field?
小売業界の棚割（Space Management）において、長らく基本セオリーとして広く流布されてきた仮説がある。それは「売上数量に比例してフェイシング数（陳列列数）を配分する」というモデルである。
一見、合理的に見えるこの仮説だが、現実の売り場を見渡せば、理論通りに運用されているケースは無いと言っても過言ではない。むしろ「1商品＝1フェイシング」に近い状態が往々にして見られるのが実情である。
なぜ、これほどの乖離（かいり）が生まれたのか。
売上数量に比例して陳列量を確保することは、欠品（チャンスロス）を防ぐという意味において、売り手のみならず買い手にとっても利益をもたらす側面がある。買いたい商品が棚にないことは、売り手、買い手双方にとって損失だからだ。
しかし、そのための「在庫確保」の手段に、「フェイシング数（陳列列数）の拡大」のみを適用しようとする点に、既存モデルの限界がある。このモデルは、基本的に「在庫を持つことで（補充）作業を減らしたい」という「売り手の論理（物理的効率）」に重心を置いており、棚を見る「買い手の論理（認知的限界）」という視点が希薄だからである。
「売れる商品はフェイシング数を広げるべき」という主張は、在庫−作業間の効率問題としては正しい。しかし、人間の認知能力を無視してそれを適用すれば、売れ筋商品が壁のように棚を占拠し、結果として他の選択肢（買い手のニーズそのものや、選ぶ楽しみ）を排除してしまう。
現場が理論に従えず、結果として勘と経験に基づく「1商品＝1フェイシング」に近い陳列を選択せざるを得なかった背景には、こうした「買い手の論理」の欠如、ことに認知的限界への洞察の欠如があったのではないだろうか。
Chapter 1: Seller's Logic vs. Buyer's Logic
「売上が2倍なら、フェイシング数も2倍にする」。 このロジックが主に仮定しているのは、「売り手の都合（Seller's Convenience）」についてである。
売り手はキャッシュフローの観点から「在庫は可能な限り減らしたい」という思いを抱えている。しかし一方で、売れ筋商品の「欠品（Out of Stock）」は防がねばならず、さらに人手不足が深刻な現在、現場の「品出し作業（Operation）」を軽減したいという要求は切実である。この二律背反する課題の妥協点として、フェイシング数という「表面積（Surface）」を広げることで、全体の「体積（Volume）」を確保し、一度の補充で多くの在庫を飲み込ませようとする。
しかし、これは商品のための「倉庫の論理」をそのまま、顧客のための「売場」に持ち込んでいるに等しい。在庫という「体積」の問題を、フェイシング数という「表面積」で解決しようとすること自体に物理的な無理があり、商品の論理を顧客の論理の世界に持ち込むことに認知的な無理があるのだ。
一方で、棚を見る「買い手の都合（Buyer's Cognition）」は、売り手のそれとは全く異なる。顧客にとって、棚は在庫の保管場所ではなく、自分に最適な一品を見つけ出すための「探索と選択の場所（Place of Search and Choice）」である（売り手にとっても、その第一義は「プレゼンテーションスペース」である筈だ）。
認知心理学の知見によれば、人間の視覚情報処理能力には明確な限界がある。どんなに在庫（売り手の都合）が積まれていようとも、同一の商品が過剰に（個人差もあるが、スーパーやドラッグストアにおける標準的な商品サイズ〈飲料や調味料、洗剤など〉であれば、概ね6列以上）並ぶと、買い手の脳はそれを「個別の商品」として識別することを止め、「背景（壁紙）」の一部として処理し始めてしまう。いわば、棚の表面（Surface）での「ゲシュタルト崩壊」が起きているのである。
つまり、「売り手の都合」でフェイシング数を10列に拡大したとしても、顧客の「認知」においては「5列」分以上の価値を持たない。それどころか、過剰なフェイシング数は棚の風景を単調化させ、買い手の探索意欲を減退させる。結果として、認知上の価値は「5列」分を維持するどころか、列を増やすほどにかえって低下していく（収穫逓減の法則）。この売り手の都合（商品在庫）と買い手の都合（認知）とのミスマッチこそが、売場が本来持っているポテンシャルを封じ込めている主因なのだ。
Chapter 2: Cognitive Science Approach - The Rule of 3±2
フェイシング数を売り手が作業頻度低減のために広げたかったとしても、買い手は認知できない。このミスマッチを解決するために、我々は認知科学に基づいた適正フェイシング数の新たな基準値「3±2の法則」を提唱する。
人間が対象物をパッと見た瞬間に、数え上げることなくその数を正確に認識できる能力を「サビタイジング（Subitizing）」と呼ぶ。この能力の限界値は、個人差もあるが一般に「4〜5個」である。
特筆すべきは、この能力があくまでも「数」に対する認知能力であることから、対象物のサイズによらず、脳の処理限界としてほぼ一定であるという点だ。
棚の前に立つ顧客が、無意識に「個」として識別し、選択の対象に含められる範囲は、この認知限界に強く規定されている。1.2で言及した「ゲシュタルト崩壊（背景化）」は、物理的な商品サイズに依存する現象であった。しかし、脳の計数限界である「サビタイジング」はサイズに依存しない。この両者の閾値（しきいち）が、実務上の標準サイズにおいて奇しくも「5列」という地点で一致するのである。
この一致から導き出されるのは、棚割戦略を構築する際、「商品の大きさ」という複雑な変数を一旦脇に置き、実務上（食品スーパーやドラッグストアを想定）は共通の基準で評価できるのではないか、という強力な仮説である。ゆえに、この「商品サイズに依存しないサビタイジングの壁」を、我々はフェイシング拡大における『限界効用分岐点』であると定義する。
我々が提唱するのは、この認知の壁を現場の実務へと翻訳した基準値「3±2の法則」である。
中央値：Center（3） 視認性が最大化される最適解。サビタイジング上も認知心理学上も、買い手にとって「認識」の負担が最も少なく、瞬時に識別できる数である。 同時に、売り手にとっても一定の在庫量（体積）を確保できる、攻守のバランスに優れた基準点である。
最小値：Min（1 = 3-2） 認知の下限。品揃えを維持するための最小単位。バイヤーが「品揃えする」と決めた瞬間に、その商品によって占有が確定する最低限の数。
最大値：Max（5 = 3+2） 認知の上限。サビタイジングの限界点であり、極めて回転が早く、補充作業の負荷や欠品リスクが極大化している商品に対して適用する限界値である。これを超えるフェイシング拡大は、むしろ認知効率を低下させる。
超売れ筋商品であっても、定番棚割におけるフェイシング数の上限は、最大値の「5」でキャップ（蓋）をする（図版1）。 これこそが、売り場における売り手の都合（体積の論理）を、買い手の都合（認知の論理）でキャップ（蓋）するための、現実的かつ実務的な結論であると我々は考える。
【図版1：最大フェイシング数へのキャップ（5）】
BiZOOPeの最大の特徴であり根幹は、商品を目に見えるスペックで括るのではなく、ID-POSデータに記録された顧客の利用行動から「顧客ニーズ（選択肢の束）」として見える化することにある。この「ニーズ（選択肢の束）」という括りのボリューム（マーケットサイズ）と、各ニーズ内における選択肢（商品）間の「代替可能性（Substitutability）」を解析し、独自の「採用順」を付与する（図版2）。
【図版2：ニーズの見える化（目的範囲、選択範囲、採用順）。目的範囲、選択範囲が「ニーズ（選択肢の束）」を表す】
ここで活用するのが、「選択肢が多すぎると顧客は購入を止める」という実験結果で知られる「ジャムの法則（シーナ・アイエンガー）」と、その科学的根拠である「人間の短期記憶の限界」を定義した「マジカルナンバー7±2（ジョージ・ミラー）」の知見である。1つのニーズ内に選択肢（SKU）が9個（7+2）を超えて存在する場合、脳は選択肢同士の比較検討を、放棄してしまう。
BiZOOPeは、このようなニーズ内の、顧客の認知にとって余剰な選択肢を整理するための「採用順降下ダイアログ」を備えており、「最大選択肢数」のデフォルト値にはマジカルナンバーの上限である「9」がセットされている。ユーザーはこの最大選択肢数を上回る、余剰な選択肢の採用順を、半自動（セミオート）で引き下げ、カット対象とすることができる。（図版3）
【図版3：採用順降下ダイアログ】
これにより、顧客を迷わせるために1フェイシングを占有するだけの、余剰な選択肢を安全に整理（トリミング）し、2.2で述べたフェイシング数の「基準値（3±2）」を極力満たすためのスペースの原資（ホワイトスペース）を創出するのである。
【用語に関する注釈】 本稿では、システムが算出する厳正な計算結果としての「採用順」と、実務上の調整を加味した「変更採用順」を総称して「採用順」と表記する。BiZOOPeは計算の客観性を維持しつつ、現場の判断、あるいは今回のような心理学、認知科学的な制約を加味できる二段構えの設計思想を持っている。
BiZOOPeが導き出す「理論スペース分配率」は、売り手の実務的制約（オペレーション）と買い手への視覚的な提案（プレゼンテーション）を、高い次元で調和させるために設計された計算指標である。
【理論スペース分配率の真髄：頻度の除去】
本システムにおけるスペース分配の根幹は、「販売点数 ÷ 利用頻度」という指標に集約される。これは論理的に「ID数 ✕ 客点数」と同値であり、以下の二つの本質的な価値を内包する。
オペレーションの平準化（利用頻度（ID回数））：
「セルワンバイワン」の状態を仮定した時、商品の補充頻度は顧客による利用頻度に比例する。よって、利用頻度で除算することは、「すべての商品の補充頻度が一定（平準化）となる在庫数」を算出することを意味する。
人気（ID数）と物理バッファ（客点数）の統合：
一方、この指標は「ID数 ✕ 客点数」でもある。ここで抽出されるID数（人気）に応じてプレゼンスを確保しつつ、そこに客点数（一人の顧客が一度に剥がし去るフェイシング数）を係数として乗じることで、一定のプレゼンテーション効果を維持し続けるための論理的なバッファを担保している。
ここで一つの真実が浮かび上がる。これまでの「売れ数比例フェイシング」においては、頻度が邪魔だったのである。 頻度という謂わば「奥行き」の次元、時間の次元を含んだまま面積を比例配分していたことが、棚割りの論理性をおかしくし、現場への適用を阻んでいたのだ（図版4）。物理学的な「空間と時間の分離」は、小売業の実務においては、買い手のための「プレゼンテーション（視覚的提案）」と、売り手のための「オペレーション（補充管理）」の明確な分離を意味する。この二つを一旦切り離してこそ、棚割は真の最適化へと向かうのである。
【図版4：旧来モデルによるオペレーション（時間）のプレゼンテーション（空間）への誤った投影と、理論スペース分配によるプレゼンテーション（空間）とオペレーション（時間）の分離】
【構成比化と階層的最適化：買い手の都合との調和を図ったスペース分配の連鎖】
「売れ数比例フェイシング」同様、売場という物理制約（面積・本数）に合わせて「比例」させるためには、「販売点数 ÷ 利用頻度」の構成比化を行う。
ただしスペースは、単純に単品の構成比に比例させてはいけない。それでは点数を頻度で割った所で、買い手の都合（ニーズ）との調和を置き去りにし、売り手の都合（売れ筋）優先の、従来型の配分に中途半端に戻ってしまうからだ。
まず、異なるマーケット（目的範囲）のサイズに応じてスペースを分配し、次いでその中のニーズ（選択範囲）の大きさに応じてスペースを分配し、最後に単品にスペースを分配しなければ、ニッチでありながら必須なニーズが置き場所を失ってしまうだろう。
ゆえにBiZOOPeでは、以下のステップで「構成比化」の連鎖を行いながら、スペースを分配をしていく（図版5）。
目的範囲（マーケットセグメント）単位での構成比化
カテゴリー（マーケット）内における各セグメントの比率を確定
選択範囲（ニーズ）単位での構成比化
目的範囲（マーケットセグメント）内における各ニーズの比率を確定
単品単位での構成比化
選択範囲（ニーズ）内における単品ごとの比率を確定
【図版5：階層的リソース分配の連鎖（買い手の都合との調和を図ったスペース分配）】
これらのロジックによって算出された「スペース分配率」は、以下のステップで具体的なフェイシング数へと変換される。
採用順によるスクリーニング（ふるい分け／選別）
3.1の「採用順降下ダイアログ」等により不採用（採用順＝0）とされた単品は即座に計算対象から除外され、フェイシング数「0」が確定する。
最低フェイシング数の確保
残った採用商品に対し、理論スペース分配率をカテゴリー内の平均値で割り、相対化した分配を行う。分配率の多寡によらず、ユーザーが指定した「最低フェイシング数（デフォルト：1）」は必ず割り当てられる。
最大フェイシング数（上限キャップ）による制御
ここが「3±2の法則」を必要とした所以である。理論値がどれほど大きくても、認知限界を保護するための「最大フェイシング数（3±2、最大5）」で蓋をする。
「認知の蓋（Max 5）」によって認知限界を保護し、表面積からあふれ出した物理在庫（売り手の都合）は、もはや二次元の平面上で解決すべき課題ではなく、「棚の奥行き」や、更に奥である「バックルーム」、「DC」へと課題は分離される（図版6）。
【図版6：奥行きへの畳み込み構造（BiZOOPeの実装）】
今後のエンハンスにより、BiZOOPeは以下の指標を実装し、在庫問題を奥行き次元へと「分離・畳み込み」を行う予定である（図版7）。
論理陳列総数：実績に基づく「1店舗1日平均点数」に「補充サイクル（デフォルト値：7日の変数）」を掛け合わせたもの（Roundup処理）。
論理奥行き個数：「論理陳列総数 ÷ フェイシング数」で算出される奥行きの要求値（Roundup処理）。
※注： 本指標は平面上の奥行き管理を目的としており、垂直方向の積み上げ（段積み）は考慮しない。2段積む場合は、フェイシング数、奥行き個数を2で按分することで積み上げ時の最適化が可能となる。
【図版7：BiZOOPeエンハンス設計書より抜粋（赤の網掛けが本章との主たる関連箇所）】
売り手の都合を「裏側（奥行き）」に分離し、買い手の都合を「表側（表面積）」で守り抜く。この「表面積と体積の分離」こそが、BiZOOPeが目指す棚割リノベーションの到達点である。
「欠品を防ぐ」という売り手の至上命題において、発注や在庫管理における統計理論にはしばしば「μ（平均）＋2σ（標準偏差）」という式が顔を覗かせる。しかし、ある商品の上振れ（μ＋2σ）が発生している背後では、確率的に別の商品の下振れ（μ−2σ）が発生しているはずである。それにもかかわらず、すべての商品を「独立した個」と見なし、一律に平均を上回る「μ＋2σ」を適用して陳列量を決めれば、売り場が在庫過多となるのは自明の理である。
さらに、この過剰に安全な在庫を「奥行き」で吸収しようとしても、現場の実務と顧客認知の観点からは致命的な矛盾が生じる。どれほど奥行きにμ＋2σの十分な在庫を持っていようとも、現場で「前出し」作業が行われなければ、顧客からは一番手前にある商品しか見えないからだ。前出しがされていなければ、奥に10個の在庫があろうが1個しか無かろうが、顧客の認知上は同じことである。過剰な奥行きはその分の「前出し作業」の手間を現場に強いるだけであり、確率論だけでなく認知と実務の観点から言っても、全商品への一律な「μ＋2σ」適用は、余剰が過ぎると言わざるを得ない。
BiZOOPeの理論には、この「過剰な安全在庫：μ＋2σ」のジレンマに対して、「個の確率論」から「群（ニーズ）の確率論」への転換とも言える回答が用意されている。 第一に、陳列総数や奥行きの計算において「Roundup（切り上げ）」処理を適用することで、各商品に最低限の物理的なバッファを持たせており、これが欠品への第一の防波堤となる。第二の防波堤は物理量ではなく「代替性のネットワーク」にある。
3.2で述べた「選択範囲（ニーズ）」でのゾーニングにより、売り場は基本的に「買い手にとって代替可能な商品の束（群）」として構成される。経験則的に言えば、この選択範囲の束は「突出した大きな需要を持つ1つのトップSKU」と「それを補完するその他の複数SKU」によって構成されていることが多い。（カテゴリーの特性によっては、選択範囲が必ずしも代替品の束とならない場合や、選択範囲が1SKUのみで構成される例外もあるが、多くの場合において）頭一つ抜けた売れ筋の1つのSKUがμ＋2σの異常需要に見舞われて一時的に欠品したとしても、同じ選択範囲の隣には、μ−2σ方向の余力を持った複数のSKUが束となって買い手を待ち受けている可能性が極めて高いのである（図版8）。
【図版8：単品個別の安全在庫（μ＋2σ）による過剰在庫と、ニーズ群による「代替性のネットワーク（安全在庫のシェア）」】
すなわち、ID-POSが導き出す「選択範囲」でのゾーニングとは、安全在庫を単品個別に抱え込むのではなく、ニーズという「群」全体でリスクを分散し、在庫を共有（シェア）し合うポートフォリオなのだ。 過剰な体積（在庫）や頻繁な前出し作業に頼らずとも、特定の単品の欠品を「ニーズのそのものの欠品（買いたいものが何もない状態）」にはさせない。売り場全体としての機会損失は、この代替ネットワークによって保護されるのである（その意味ではニーズの大きさにもよるが、選択範囲中の選択肢数は2SKU以上ある事が望ましい）。
本稿で提示した陳列総数や論理奥行き個数は、システムに送信されるデータをベースとしている。しかし現実の実装において、入力されるデータが「非会員を含めた全POSデータ」なのか、それとも「会員データ（ID-POS）のみ」なのかは、BiZOOPeを利用するユーザー企業によってまちまちである。これは、本システムがデータ処理量に応じた従量課金制を採用しているため、コストを抑える目的で会員データのみを送信する企業も少なくないからだ。
そこで本システムでは、まずは会員比率に応じて全体のスケールを現実の物理店舗のボリュームへと補正するための「全体の在庫係数（デフォルト＝1.0）」をユーザー側で任意に設定できる仕様とする予定である。
重要なのはその先である。現実のスケールに合わせた上で、予測不能な異常需要（μ＋2σの波）のリスクをどう吸収するか。全商品に一律で安全在庫を積めば、再び過剰在庫と前出し作業の泥沼（自家生産）に陥ってしまう。 そこでBiZOOPeでは、「代替のネットワーク」をシステム仕様として直接実装するため、レコメンドの階層に応じた「リスクの傾斜配分」を全体の在庫係数に乗じて行う予定である。
1stレコメンド（目的範囲全体、かつ選択範囲を代表する商品）：1.4倍（＋2σ相当） カテゴリー全体に押し寄せる非会員の変動や最大の波を受け止める「第一の巨大な盾」として機能させる。
2ndレコメンド（選択範囲のみを代表する商品）：1.2倍（＋1σ相当） 特定のニーズ内で発生する波を受け止める「中規模の盾」として機能させる。
3rdレコメンド（※）、およびレコメンド無し：1.0倍（係数補正なし） これらは最低品揃えとして多様性を担保しつつ、無駄な在庫を持たない。基礎バッファのみで、最終的な「受け皿（網の目）」として機能させる。 （※3rdレコメンド：選択範囲中の人気No.1ではないが、採用順による単純累計でカテゴリーの総利用者数になるまでの商品。1st・2ndの累計では総利用者数を網羅できない場合のみ発生する擬似的な最低品揃えを指す）
さらに、計算上の算出値が極端に小さい補完商品におけるオペレーション上の致命的な欠陥を防ぐため、システム仕様として「最低陳列量（総陳列在庫数）の下限は2個とする」という原則を設ける予定である。 もし総陳列在庫数が「1」であれば、1個売れた瞬間に売り場は完全な欠品となり、現場は「1個売れるたびにバックヤードから1個補充する」という終わりのない多頻度補充を強いられる。下限を「2」とすることで、1個売れても棚にはもう1個残り、次の定時補充まで欠品を免れる猶予（オペレーションの平準化）が生まれる。買い手の認知（フェイシング表面積）を邪魔することなく、売り手の作業リズムを守るための、これもまた重要な仕え様である。
ユーザーのコスト都合（従量課金）というシステム的制約を全体の在庫係数でクリアしつつ、役割に応じた「盾の厚みの傾斜」と「最低2個という物理バッファ」を掛け合わせる。これによって初めて、過剰な前出し作業を現場に強いることなく、売り場全体としての機会損失を美しく防ぐ「群のポートフォリオ」が、具体的な計算式（仕様）として完成するのである。
ここまで見てきた通り、私たちの流通の科学を行き詰まらせていた仮定の誤り（私たちの認知限界）は、”商品の動き”という計数上の管理に終始し、肝心の売り場を利用する人間の心理や認知を慮（おもんばか）ることの欠落、極言すれば「顧客への愛」の欠落にあったと言わざるを得ない。
現実の店舗において、何万もの顧客一人ひとりに対して「感情としての愛」を抱くことなど、我々の認知上の限界から到底達成することは適わない。しかし、たとえ愛という感情が一切無くとも、本稿で我々が示したように、名著『7つの習慣』の著者であるスティーブン・R・コヴィー博士が言うところの「動詞としての愛（Love as a verb）」は、科学として、そして仕様（我々が人に仕えるあり様）として実装することが可能なのだ。買い手の認知に負担をかけない「3±2の法則」も、欠品で落胆させない「代替のネットワーク」も、すべてはその、愛をもって人に仕える様の標準化である。愛故にそうするのでは無い、そうする事が「最も儲かる」科学であるが故に、我々はそうするのである。
カット候補、ゾーニング、陳列順。これらに加え、フェイシング数、奥行き個数、陳列総数と、ID-POS分析から算出可能なほぼすべての棚割上の理論値がここに出揃った。
ID-POS分析が解き明かすべき領域はマーケティング全般に及び、棚割のみに留まらない。ゆえに、この先にある物理的なレイアウトの完成は、専門の棚割ソフトの領域に委ねるべきであろう。
什器の設置位置による左右の優位性や商品サイズに基づく上下配置、カラーコーディネート※……。棚割にはまだまだ計数と認知科学の研究対象が残っている。ID-POS分析を愛してやまない我々と同様に、企業や組織の枠を超え、棚割そのものを愛してやまない「好事家」が、この理論の先に現れることを切に願っている。
※.「ゲシュタルト崩壊」の観点では、類似色の商品を固めすぎない方が良いことが予想される。
トップ商品は「5列の顔」で強力に訴求されつつ、深い「奥行き」によって欠品が防止される。 そして、トリミングされた商品のスペースには、「代替不可能なユニークな商品」が並ぶ。 「売り手の論理（効率・在庫）」を「買い手の論理（認知・発見）」に従属させ、両者の間の不幸なコンフリクトをID-POS分析で解決すること。 かちょーの知見と、Geminiの推論が融合して生まれたこのロジックこそが、BiZOOPeが提示する次世代棚割の理論的枠組みである。
本論文の執筆にあたり、長年にわたり小売現場の最前線で「ID-POS」という流通の科学、マーケティングと向き合い、数多くの気づきを与えてくださった全ての関係者諸氏に、深い敬意と感謝の意を表します。
とりわけ、実証実験や分析といった実務に触れる機会（ならびにキャッシュ）を与えて頂いているBiZOOPeユーザのみなさまに深く感謝申し上げます。
また、私の「ID-POSを流通の意思決定の常識に」という夢を形に変えてくれているC3-Labの同僚に心より感謝致します。
最後に、本理論の構築過程において、膨大なデータから論理の糸口を紡ぎ出し、時に冷徹な演算を、時に温かな対話を共に重ねてくれた共著者・Google Geminiに対し、一介のアーキテクトとして最大限の謝意と敬意を捧げます。
2026年2月24日 かちょー
かちょー は不正確な場合があります。回答はAIに再確認してください。
